数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。今天小编分享的是数据分析师的工作职责和工作内容，希望能帮到大家。
互联网本身具有数字化和互动性的特征，这种属性特征给数据搜集、整理、研究带来了革命性的突破。以往“原子世界”中数据分析师要花较高的成本(资金、资源和时间)获取支撑研究、分析的数据，数据的丰富性、全面性、连续性和及时性都比互联网时代差很多。
与传统的数据分析师相比，互联网时代的数据分析师面临的不是数据匮乏，而是数据过剩。因此，互联网时代的数据分析师必须学会借助技术手段进行高效的数据处理。更为重要的是，互联网时代的数据分析师要不断在数据研究的方法论方面进行创新和突破。
就行业而言，数据分析师的价值与此类似。就新闻出版行业而言，无论在任何时代，媒体运营者能否准确、详细和及时地了解受众状况和变化趋势，都是媒体成败的关键。
此外，对于新闻出版等内容产业来说，更为关键的是，数据分析师可以发挥内容消费者数据分析的职能，这是支撑新闻出版机构改善客户服务的关键职能。
数据分析师的工作内容【1】找到如何通过数据衡量产品(measure)
费曼说过一句话，如果我们不能创造某样东西，那么说明我们还没有搞清楚(What I cannot create, I do not understand)。
对于数据分析师来说，如果我们不能用数据衡量某个产品，那么说明我们还没有搞清楚。
这个问题看似简单，其实很麻烦。
对于不同的产品，可能会有不同的衡量方法，同时也可能会有好几个，各有什么优劣?
比如说 Uber 在初期，有多少司机(供给方)可能是一个很重要的指标，而发展一段时间之后可能是交易量。
再比如，同样是共享经济，Uber 看用户的 app 使用时长，可能是个意义不大的行为;而对 Airbnb 来说，用户的 app 使用时长可能是一个很重要的指标。
思考题：为什么?
对于同一产品，针对不同的场景需要要的指标可能又是不一样的。
再以 Uber 为例，假设司机的月活数量是一个很重要的指标，可以看公司长期的发展。
但是这个指标却并可能并不能作为日常做 A/B 测试的指标，想想这又是为什么?
【2】找到如何可以驱动产品的指标
当知乎说自己发展的好、拉风投的时候会说有多少日活(好像是七千万?)。
对于投资人、创始人来说，都是一个很好的衡量产品发展的数据。
但是如果想要把产品进一步提高，日活这个数据就并没有什么用了，因为这是结果，不是手段。
数据分析师的工作，就是要找到这么一个或几个指标，是跟公司的长期目标发展相关的，同时又能通过驱动这些指标达到长期发展的目的。
比如 LinkedIn 可能是希望用户建立 X 个好友，Twitter 可能是希望用户关注 Y 个帐号，Quora/知乎可能是希望用户关注 Z 个话题，或者答了 N 个题，如此各种。
【3】跟产品经理、工程师等合作寻找改进产品的机会
现在产品的目标有了，驱动产品的方向也有了，那么具体怎么驱动呢?
比如说希望用户关注 Z 个话题，那么在用户注册的时候就给推荐呢?还是默认关注一些话题?
默认关注一些话题会有什么好处?又会有什么坏处?
是在用户刚注册就让他们关注好，还是使用了一段时间之后再关注好?
如果有一些用户一个话题都没有关注，怎么办?
等等。
【4】帮助产品做决策
做决策，可能很多人第一反应想到的是做 A/B 测试，这的确是一方面，而且也是很重要的一方面。
但有时候容易忽略的是如何帮助产品/工程师设立优先级。
在互联网行业，任何时候都有几十上百甚至上千个事情需要做的，比如说八阿哥多多的网页版和被吐槽多多的编辑器。
那么哪个是最重要的、最需要解决的?
哪些改变是有可能带来产品的改进的?
同时有十个新的产品特性可以加的，应该先做哪个?甚至哪些是没有必要做的?
毕竟工程师这么贵，招人也不容易，所以很多时候需要做一些聪明的选择，比如救助于数据分析。
回到 A/B 测试，数据可以做的就更多了。
比较直接的，如果写 pipeline 抓取数据，做假设检验这些，更重要的，回到了第一点和第二点，做 A/B 测试不会只有一个指标，通常会有好几个。
如果有些升了有些聊了，怎么权衡?
比如说 Airbnb 订单量增加了，但是用户减少了，这是个好的方向吗?
或者说 Uber 司机收入增加了，但是评价降低了，高峰期添价(Surging Pricing)出现得更频繁了，应该选哪个?
A/B 测试本身技术方面不是最难的，难的是如何根据数据做决策。
【5】产品数据追踪
如果 Amazon 的网站挂了，对 Amazon 的收入会有很大的影响。
如果 Amazon 云挂了，那不只对收入有影响，还会影响大批客户。
所以需要有工程师二十四小时值班(oncall)。
类似的，如果发现知乎日活异常增加，或者降低，怎么找出原因?怎么解决?
这些也都属于数据分析师工作的一部分。
要对产品做数据追踪，就离不开不同维度的数据，把它们做成报表，所以需要数据分析师，有时候也可能是 data engineer 的工作。
【6】寻找新的领域
在产品的不同发展时期，侧重点可能是很不一样的。
比如在产品发展的初期，可能是社区运营，找到好的种子用户，打造一个良好的社区。
在产品发展的初期，可能是增加普通用户的数量，扩大用户基数。
如何确定产品在哪个时期?在不同的时期又如何找出可以推进产品的方法?
这些方法可能是从产品、用户体验的角度出发，比如说如果加个「想法」会怎么样?
也有可能是从工程师的角度出发，比如说页面载入时间过长等等。
也有可能是从数据的角度出发，比如说发现很大一批用户喜欢发长篇评论，但是却并不点赞，那么试试开发一个功能评论的同时也分享到时间线?
【7】给团队设定目标
前面提到数据可以帮助团队决定做哪些方向，那么这些方向可以达到一个什么样的目标?
如果目标定得太高，最后团队没有完成，一次两次还好，如果总是这样，那么必然会打击团队士气。
如果目标定得太低，团队总是轻松完成，那么就起不到激励团队的作用了。
注意这里的设定目标并不是做了什么事情，投入了多少时间，而是最后对产品的指标有什么影响。
比如说 Uber 的交易量增加了多少，或者是知乎的日活增加了多少如此种种。
【8】长期投入
大部分时候的数据分析是基于当前的状态的，但是也需要考虑到用户、产品、环境等的变化。
所以很多时候也需要看以前的数据。
如果以前的数据没有了，那就就再也找不回来了。
种一棵树最好的时间点是十年前，第二好的就是现在了。
所以把目标放长远点，三年之后五年之后十年之后，我们需要什么样的数据，现在就可以准备好的'。
如果三五十年之后自己还在公司的话，那么一定会庆幸自己现在做好的铺垫工作。
如果已经离开公司，那么一定会有个人默默的谢谢你的。
【9】带新人和面试的能力
如果公司处于一个高速发展状态，那么这两项职责的重要性不言而喻。
如何让新人快速有效的入手，如何高效率高精度的识别优质候选人，一方面可以让自己的影响力快速增长，另一方面也是公司增长的保障。
如果公司处于一个相对平台的状态，那么多少也还是会有新老交替，带新人和面试的能力也是必不可少的。
【10】提供数据支持
团队里合作方有时候会需要数据分析师提供帮助，比如说在解决 oncall 的问题的时候，工程师可能会需要数据分析师找一些 pattern;
比如用户调研采集完数据之后，需要数据分析师做一些处理;
这些也都是日常工作的一部分。
数据分析师的技能要求1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。
2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。
3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。
4、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。
5、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。
